Cette référence décrit le catalogue indiqué. Consultez l’établissement pour confirmer l’offre actuelle et les conditions applicables à votre rentrée.
Description
Computational Statistics Classification : régression logistique, analyse discriminante linéaire et quadratique ; Méthodes de rééchantillonnage : validation croisée et bootstrap ; Sélection et régularisation dans le modèle linéaire : sélection de sous-ensembles, méthodes de shrinkage, méthodes de réduction de dimension, considérations en grande dimension ; Régression non linéaire : régression polynomiale, splines de régression, splines de lissage, régression locale et modèles additifs généralisés ; Méthodes basées sur les arbres : arbres de décision, bagging, forêts aléatoires et boosting ; Machines à vecteurs de support : classifieur à marge maximale, classifieurs à vecteurs de support, machines à vecteurs de support (SVM), SVM pour plus de deux classes ; Apprentissage non supervisé : analyse en composantes principales, méthodes de clustering. Cours magistraux, 3 heures par semaine ; laboratoire, 1 heure par semaine. Restriction : ouvert uniquement aux majeures en Data Sciences and Analytics. Préalable(s) : l'un des STAT 3P82 et STAT 3P86 ou STAT (DASA) 3P87 ou permission de l'instructeur.
Préalables
- Préalable(s) : l'un des STAT 3P82 et STAT 3P86 ou STAT (DASA) 3P87 ou permission de l'instructeur
Conditions et modalités
- Restriction : ouvert uniquement aux majeures en Data Sciences and Analytics.
- Préalable(s) : l'un des STAT 3P82 et STAT 3P86 ou STAT (DASA) 3P87 ou permission de l'instructeur
Texte de référence dans sa langue d’origine
Computational Statistics Classification: logistic regression, linear and quadratic discriminant analysis; Resampling methods: cross-validation and bootstrap; Linear model selection and regularization: subset selection, shrinkage methods, dimension reduction methods, considerations in high dimensions; Nonlinear regression: polynominal regression, regression splines, smoothing splines, local regression and generalized additive models; Tree-based methods: decision trees, bagging, random forests, and boosting; Support vector machines: maximal margin classifier, support vector classifiers, support vector machines (SVMs), SVMs with more than two classes; Unsupervised learning: principal component analysis, clustering methods. Lectures, 3 hours per week; Lab, 1 hour per week Restriction: open to Data Sciences and Analytics majors only Prerequisite(s): one of STAT 3P82 and STAT 3P86 or STAT (DASA ) 3P87 or permission of the instructor
- Prerequisite(s): one of STAT 3P82 and STAT 3P86 or STAT (DASA ) 3P87 or permission of the instructor
- Restriction: open to Data Sciences and Analytics majors only
Sources et références
Les dates et les sources sont conservées pour vous aider à vérifier les renseignements. Les traductions sont proposées pour faciliter la lecture; la source officielle fait référence pour les conditions et les exigences.
Référence source : https://brocku.ca/webcal/2024/undergrad/math.html